各種Residual Block

Related Work

NN不斷在往Deep發展，如果只是簡單地不斷加深網路的層數，並不能使training error下降

後來出現了ResNet，ResNet疊了100個Layer，所以他們實作了Residual Block來解決越深卻沒有越好的問題

Residual Block

提出這樣的Block的好處在於，在做過去Conv. Layer在做Training的時候所需要的工作量，隨著加入簡單的Identity層"跳躍"兩個Conv. Layer，降低了Conv. Layer訓練時成本(所需要調整的Residual)，也因此NN的層數也就能夠增加，如下圖所示

生物學上的神經傳導跳躍
還沒看ResNet的論文，不過個人猜測這應該是受到生物學上的跳躍式動作電位傳導的啟發

Bottleneck Residual Block

左邊是一般的Residual Block，右邊是Bottleneck Residual Block，兩個參數數量一樣，所以時間複雜度一樣但是Bottleneck Residual Block有三層，一般Residual Block只有兩層。

ResNet作者是在超過50層的時候使用Bottle Residual Block，理由是為了增加層數但不想增加訓練時間(論文p.6的Deeper Bottleneck Architectures的描述)，不過個人認為"增加層數就能取得較高準確率"的假設這件事情雖然普遍被實驗支持，但從未有數學上的驗證，並非不能被推翻。

Inverted Residual Block

所以這時候我們再回來看MobileNetV2裡面的Inverted Residual Block的時候就看得懂裡面在講甚麼了

Inverted Residual Block與其他Residual Block的差別在於他先升高Channel數再降Channel數，一般的Residual Block是先降Channel數再升Channel數。

網路上很多文章都說這是為了保留更多特徵訊息，不過如果回去看論文，這是為了Memory Efficient! 他在第五章有證明不過還沒看得很懂。

所以現在就可以很輕鬆的看懂，PyTorchHub上MobileNetV2的code了，下面就是Inverted Residual Block的實作。

class InvertedResidual(nn.Module):
    def __init__(self, inp, oup, stride, expand_ratio):
        super(InvertedResidual, self).__init__()
        self.stride = stride
        assert stride in [1, 2]

        hidden_dim = int(round(inp * expand_ratio))
        self.use_res_connect = self.stride == 1 and inp == oup

        layers = []
        if expand_ratio != 1:
            # pw
            layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1))
        layers.extend([
            # dw
            ConvBNReLU(hidden_dim, hidden_dim, stride=stride, groups=hidden_dim),
            # pw-linear
            nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
            nn.BatchNorm2d(oup),
        ])
        self.conv = nn.Sequential(*layers)

    def forward(self, x):
        if self.use_res_connect:
            return x + self.conv(x)
        else:
            return self.conv(x)

Reference

1. https://zhuanlan.zhihu.com/p/28413039
2. https://www.jianshu.com/p/e502e4b43e6d
3. https://arxiv.org/pdf/1512.03385.
4. https://www.cnblogs.com/hejunlin1992/p/9395345.html
5. https://zhuanlan.zhihu.com/p/33075914